# उपज कैलिब्रेशन और सफाई GeoPard का उपयोग करें ताकि **उपज डेटा की सफाई की जा सके** और **यील्ड मॉनिटर डेटासेट्स को कैलिब्रेट करें**। एक ऐसा यील्ड मैप प्राप्त करें जिस पर आप जोन, प्रिस्क्रिप्शन और एनालिटिक्स के लिए भरोसा कर सकें। यह कार्यप्रवाह आउटलेयर्स, टर्नअराउंड, लापता गुणों और मल्टी-हार्वेस्टर यील्ड डेटा को संभालता है। इसमें शामिल है **USDA यील्ड क्लीनिंग प्रोटोकॉल** और समर्थन करता है **Yield Editor विकल्प** वर्कफ़्लो। {% embed url="" %} यील्ड डेटा क्लीनिंग और कैलिब्रेशन वीडियो ट्यूटोरियल। विकल्पों के बीच का अंतर समझाया गया है। {% endembed %} यह कैलिब्रेशन प्रक्रिया निम्न में सहायक है: 1. **डेटा संगति सुनिश्चित करना**: कई हार्वेस्टर साथ में या अलग-अलग दिनों में काम कर सकते हैं—यह फीचर सुनिश्चित करता है कि उनके डेटा एक ताल में बजें। 2. **डेटा को समान बनाना**: यील्ड डेटा में विविधता हो सकती है; कैलिब्रेशन इसे चिकना और सुसंगत बनाता है, अनचाहे स्पाइक्स या ड्रॉप्स के बिना। 3. **शोर को फिल्टर करना**: किसी भी डेटा की तरह, यील्ड डेटा में 'शोर' या अप्रासंगिक जानकारी हो सकती है। हम सुनिश्चित करते हैं कि यह आपके निष्कर्षों को गंदा न करे। 4. **जियोमेट्री को सरल बनाना**: किसी भी टर्नअराउंड या अजीब ज्यामितीय पैटर्न असली निष्कर्षों को प्रभावित कर सकते हैं। कैलिब्रेशन इन्हें सीधा करने के लिए डिज़ाइन किया गया है, ताकि डेटा फ़ील्ड की वास्तविकता को सही तरीके से दर्शाए। 5. **फ़ील्ड सीमा द्वारा क्रॉप करना**: हार्वेस्टर अक्सर पास-पड़ोसी क्षेत्रों में काम करते हैं। सटीक विश्लेषण के लिए, केवल निर्दिष्ट सीमा के भीतर मौजूद डेटा पर विचार करना आवश्यक है। {% hint style="info" %} यील्ड कैलिब्रेशन इंटरफ़ेस GeoPard API एंडपॉइंट का उपयोग करता है Yield Clean/Calibrate ([GeoPard API: Calibrate and Clean YieldDataset](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/api-docs/requests-overview/84.-mutation-calibrate-and-clean-yielddataset))। यह चलता है `CALIBRATE` और `CLEAN` ऑपरेशनों को UI में या API के माध्यम से। {% endhint %} ## त्वरित अवलोकन
{% file src="" %} यील्ड क्लीनिंग पीडीएफ ब्रोशर डाउनलोड करें {% endfile %} ## वास्तविक दुनिया के उदाहरण कृषि के क्षेत्र में, भ्रष्ट यील्ड डेटासेट्स महत्वपूर्ण चुनौतियाँ उत्पन्न कर सकते हैं। नीचे असली दुनिया के उदाहरण दिए गए हैं जहाँ ऐसे डेटासेट्स का सामना हुआ था। GeoPard के उन्नत कैलिब्रेशन और क्लीनिंग एल्गोरिदम के माध्यम से, इन डेटासेट्स को प्रभावी ढंग से परिष्कृत और अनुकूलित किया गया। {% hint style="info" %} जिन क्षेत्रों में लॉग किया गया यील्ड डेटा अनुपस्थित है और यील्ड मैप की पूर्णता प्राप्त करनी है, उन मामलों में GeoPard सिंथेटिक यील्ड मैप दृष्टिकोण का उपयोग करने पर विचार करें। यह विधि पूरी यील्ड विश्लेषण के लिए लापता डेटा को पुनर्स्थापित करती है। और जानें [यहाँ](https://app.gitbook.com/s/YICBELdyAXXebKAzfLOR/agronomy/synthetic-yield-map). {% endhint %} ### कई हार्वेस्टर एक साथ काम कर रहे हैं

उदाहरण 1: कई हार्वेस्टर एक साथ काम कर रहे हैं

{% hint style="info" %} जटिल परिदृश्यों से निपटने के लिए, इष्टतम सटीकता के लिए दो-चरणीय कैलिब्रेशन प्रक्रिया की सिफारिश की जाती है। शुरू में मशीन आईडी एट्रिब्यूट का उपयोग करके प्रारंभिक कैलिब्रेशन चलाएँ। उसके बाद, दूसरी बार कैलिब्रेशन चलाएँ, इस बार Simulated (Synthetic) Machine Paths चेकबॉक्स का उपयोग करें। यह परतदार दृष्टिकोण व्यापक और सटीक कैलिब्रेशन सुनिश्चित करता है, जो जटिल मामलों के प्रबंधन के लिए आवश्यक है। {% endhint %}

उदाहरण 2: कई हार्वेस्टर एक साथ काम कर रहे हैं

उदाहरण 3: कई हार्वेस्टर एक साथ काम कर रहे हैं

### J-turns, Stops, आधा उपकरण चौड़ाई उपयोग

उदाहरण 1: U-turns, Stops, आधा उपकरण चौड़ाई उपयोग

उदाहरण 2: U-turns, Stops, आधा उपकरण चौड़ाई उपयोग

### असामान्य रूप से बड़े लॉग्ड मान

उदाहरण 1: असामान्य रूप से बड़े लॉग्ड मान

उदाहरण 2: असामान्य रूप से बड़े लॉग्ड मान

उदाहरण 3: असामान्य रूप से बड़े लॉग्ड मान

उदाहरण 4: असामान्य रूप से बड़े लॉग्ड मान

उदाहरण 5: असामान्य रूप से बड़े लॉग्ड मान

### फ़ील्ड सीमा के बाहर डेटा

उदाहरण: फ़ील्ड सीमाओं के बाहर डेटा

### प्रदत्त औसत यील्ड मान का उपयोग करके कैलिब्रेशन

उदाहरण: प्रदान किए गए औसत यील्ड मान (28 t/ha) का उपयोग करके कैलिब्रेशन

### विसंगतियों वाले एट्रिब्यूट्स की अनदेखी करके यील्ड एट्रिब्यूट्स की सफाई यील्ड डेटासेट में कभी-कभी नमी, गति, ऊँचाई, या अन्य द्वितीयक (गैर-यील्ड) एट्रिब्यूट्स में अनियमितताएँ शामिल होती हैं। Clean या Calibrate गतिविधियों के निष्पादन के दौरान इन विसंगतियों को अनदेखा करना आवश्यक है। इसे प्रभावी रूप से GeoPard Yield Clean-Calibrate इंटरफ़ेस का उपयोग करके प्राप्त किया जा सकता है।

उदाहरण: मॉइस्चर एट्रिब्यूट में विसंगतियाँ

उदाहरण: मॉइस्चर में विसंगतियों की अनदेखी करते हुए यील्ड डेटा की सफाई

### USDA उपज क्लीनिंग प्रोटोकॉल इस विकल्प का उपयोग तब करें जब आपको एक **पुनरावृत्त, मानक-आधारित यील्ड एडिटर वर्कफ़्लो**की आवश्यकता हो। **यह बड़े पैमाने पर** यील्ड मॉनिटर डेटा क्लीनिंग

का अनुकूलित है।

का अनुकूलित है।

## उदाहरण: USDA प्रोटोकॉल लागू करके यील्ड डेटा की सफाई ### पाथवाइज कैलिब्रेशन **कहाँ उपयोग करें** **पाथवाइज कैलिब्रेशन** जब एक फ़ील्ड कई मशीनों द्वारा या कई दिनों में काटा गया हो, विशेष रूप से स्ट्राइपिंग या बैंडिंग जैसे प्रणालीगत अंतर को ठीक करने के लिए। यह उन परिदृश्यों के लिए आदर्श है जहाँ अलग-अलग मशीन सेटिंग्स, ऑपरेटर या पर्यावरणीय परिस्थितियाँ विभिन्न पाथ्स पर लगातार अधिक- या कम-आकलन कर देती हैं। महत्वपूर्ण रूप से, एआई को प्रभावी रूप से सीखने और कैलिब्रेट करने के लिए भिन्नता की आवश्यकता होती है - जैसे अलग-अलग पाथ्स, मशीन आईडी, या हार्वेस्ट की तिथियाँ।

उदाहरण: यील्ड वेटमास और 9 हार्वेस्टर

**इस्तेमाल न करें** इस विधि का उपयोग एकल मशीन हार्वेस्ट के लिए एक सतत सत्र में न करें या यदि यील्ड मैप में स्पष्ट स्थानिक पैटर्न नहीं हैं। इसके अतिरिक्त, इससे बचें यदि डेटा विरल है या यदि आपके पास केवल कुल फील्ड-स्तर के यील्ड मान हैं बिना मशीन-स्तर के अंतर के।

उदाहरण: सांख्यिकीय रूप से सही डेटा वितरण

### औसत या कुल कैलिब्रेशन **औसत/कुल कैलिब्रेशन सबसे अच्छा उपयोग किया जाता है** जब आपको अपने समग्र फील्ड-स्तर यील्ड डेटा में उच्च स्तर का भरोसा है, जैसे कि वजन पुल या भंडारण सुविधा के रिकॉर्ड। व्यक्तिगत पाथ्स को समायोजित करने के बजाय, यह विधि पूरे डेटासेट को स्केल करती है ताकि अंतिम औसत या कुल आपके ज्ञात संदर्भ मान से मेल खाए। जब समग्र नंबर भरोसेमंद हों तो इसे अक्सर सबसे सरल और सुरक्षित कैलिब्रेशन विकल्प कहा जाता है। कब **औसत/कुल कैलिब्रेशन का उपयोग करें:** * **जानकारी संदर्भ मान**: जब आपके पास आधिकारिक कुल उपज रिकॉर्ड हों (उदा., वजन पुल से) या फ़ील्ड के लिए अत्यंत विश्वसनीय औसत यील्ड हो। * **ग्लोबल बायस सुधार**: यह आदर्श है यदि यील्ड मैप में स्थानिक वितरण सही दिखता है, लेकिन मान वैश्विक रूप से शिफ्ट हैं - यानी यील्ड मॉनिटर संभवतः अनकैलिब्रेट था और पूरे फ़ील्ड में लगातार बहुत ऊँचे या बहुत नीचें मान रिपोर्ट कर रहा है। * **समान हार्वेस्ट परिस्थितियाँ**: यह विधि तब सबसे प्रभावी है जब हार्वेस्टिंग की परिस्थितियाँ पूरे ऑपरेशन में अपेक्षाकृत सुसंगत रही हों। * **एकल-मशीन स्थिरता**: यह उन हार्वेस्टों के लिए अच्छा काम करती है जो एक ही मशीन द्वारा पूरे फ़ील्ड में लगातार किए गए हों।

उदाहरण: आवश्यक शिफ्टिंग के साथ सांख्यिकीय रूप से सही डेटा वितरण औसत यील्ड का उपयोग करते हुए

कब नहीं **औसत/कुल कैलिब्रेशन का उपयोग करें:** * **मशीन-से-मशीन बायस**: यदि फ़ील्ड के विभिन्न हिस्से अलग मशीनों द्वारा या अलग दिनों पर काटे गए हों जिनसे स्थानीयकृत बायस उत्पन्न हुए हों तो इस विधि का उपयोग न करें। ऐसे मामलों में, पूरे फ़ील्ड को स्केल करने से मशीनों के बीच मौलिक विसंगतियाँ ठीक नहीं होंगी। * **दृश्यमान दोष**: यदि आप अपने डेटा में मजबूत स्ट्राइपिंग, बैंडिंग, या दिशात्मक दोष देखते हैं, तो यह विधि उन्हें हल नहीं करेगी; पाथवाइज़ कैलिब्रेशन उन मुद्दों के लिए अधिक उपयुक्त है. * **अनपूर्ण डेटा**: यदि केवल फ़ील्ड का एक हिस्सा ही काटा गया हो या रिकॉर्ड किया गया डेटा अधूरा हो, तो इस लॉजिक से बचें, क्योंकि कुल/औसत मान भ्रामक होंगे।

उदाहरण: गैप्स वाले यील्ड डेटा

### सशर्त कैलिब्रेशन **सशर्त कैलिब्रेशन** कार्य करता है एक सुरक्षा नियंत्रण के रूप में यह सुनिश्चित करके कि यील्ड मान यथार्थवादी, पूर्व-परिभाषित न्यूनतम और अधिकतम सीमाओं के भीतर ही बने रहें. आप **को उपयोग करना चाहिए** यह लॉजिकअत्यधिक आउटलेयर्स और शोर, मशीन रुकने या मोड़ों के कारण सेंसर स्पाइक्स को हटाने के लिए। यह विशिष्ट कृषि अपेक्षाएँ लागू करने के लिए आदर्श है - जैसे "यील्ड X से अधिक नहीं हो सकती" - बिना किसी समायोजन के।
हालाँकि, **इस विधि से बचें** यदि आपके डेटासेट में वैश्विक बायस या प्रणालीगत मशीन अंतर हैं, क्योंकि यह डेटा को स्केल नहीं करता या स्थानिक पैटर्न ठीक नहीं करता। मूल रूप से, यह मानों को यथार्थवादी बनाये रखता है पर असल कैलिब्रेशन अंतर को हल नहीं करता। ## उपयोग रणनीति

यील्ड कैलिब्रेशन मार्गदर्शन एक-पृष्ठक

{% file src="" %} यील्ड कैलिब्रेशन मार्गदर्शन का पीडीएफ एक-पृष्ठक डाउनलोड करें {% endfile %} ## पहला कदम "Yield Calibrate and Clean" मॉड्यूल सीधे यूजर इंटरफ़ेस से शुरू किया जाता है। प्राथमिक आवश्यकता एक अपलोड किया गया यील्ड डेटासेट होना है। प्रत्येक यील्ड डेटासेट के बगल में, आप डेटासेट समायोजन शुरू करने का एक बटन पाएँगे।

फ्लो शुरू करें

आगे बढ़ने के लिए एक विकल्प चुनें

वहाँ से आगे बढ़ने के लिए कई विकल्प उपलब्ध हैं: 1. **ऑटो-प्रोसेसिंग**: एक-क्लिक कैलिब्रेशन के लिए डिफ़ॉल्ट, GeoPard-प्रस्तावित सेटिंग्स का उपयोग करें। 2. **सिर्फ़ क्लीन**: केवल CLEAN ऑपरेशन कॉन्फ़िगर और निष्पादित करें, जिसमें 1. **GeoPard क्लीनिंग**: AI एल्गोरिदम के साथ यील्ड डेटासेट की स्मार्ट क्लीनिंग। 2. **USDA** (यूनाइटेड स्टेट्स डिपार्टमेंट ऑफ़ एग्रीकल्चर) यील्ड के लिए क्लीनिंग प्रोटोकॉल। 3. **कंडीशनल क्लीनिंग**: कस्टम एट्रिब्यूट थ्रेशोल्ड के आधार पर डेटा को फ़िल्टर करें। 3. **सिर्फ़ कैलिब्रेट**: केवल CALIBRATE ऑपरेशन कॉन्फ़िगर और निष्पादित करें, जिसमें 1. **का विवरण होता है।**: AI एल्गोरिदम के साथ प्रत्येक व्यक्तिगत मशीन पाथ के लिए यील्ड को कैलिब्रेट करें। 2. **Average/Total**: फ़ील्ड के ज्ञात औसत या कुल यील्ड के आधार पर यील्ड समायोजित करें। 3. **Conditional**: अपेक्षित सीमाएँ बनाए रखने के लिए यील्ड को सेट न्यूनतम और अधिकतम सीमाओं के भीतर परिवर्तित करें। 4. **कैलिब्रेट और क्लीन**: ऑपरेशनों के अनुक्रम का चयन करें और पैरामीटर को कस्टमाइज़ करें। 5. **Yield Editor का विकल्प**: उपयोग करें **सिर्फ क्लीन → USDA** (या **कैलिब्रेट और क्लीन**) ताकि मैनुअल “Yield Editor” क्लीनअप वर्कफ़्लो से मेल खाता हो, लेकिन पैमाने पर। सत्यापन परीक्षणों में, USDA प्रोटोकॉल क्लीनिंग ने मैनुअल Yield Editor परिणामों से मेल खाया था साथ ही **R² (R2) = 0.98** (लगभग समान आउटपुट)। ## एक-बटन समाधान {% hint style="warning" %} **असामान्य मानों के लिए संकेत जो कभी-कभी यील्ड डेटासेट्स में अंतर्निहित होते हैं।** यदि कोई **attribute** कैलिब्रेशन या क्लीनिंग के लिए चुना गया **प्रमुख रूप से** **ज्यादातर ज्योमेट्रीज़ में शून्य मान शामिल करता है**, तो ये ज्योमेट्रीज़ अंतिम यील्ड डेटासेट से बाहर कर दी जाएँगी। सुरक्षा सुनिश्चित करने के लिए, ऐसे विसंगतियों वाले एट्रिब्यूट्स को कैलिब्रेट किए जाने वाले एट्रिब्यूट्स की सूची से बाहर रखा जाना चाहिए। {% endhint %} {% @arcade/embed url="" flowId="gzZZkXqKSAd1eaIKNqDB" %} ## पूर्ण मार्गदर्शन {% hint style="warning" %} **फ़्लो चुनें: डेटा विसंगतियों के लिए संकेत** यदि किसी उपयोगकर्ता को डेटा में विसंगतियाँ मिलती हैं, जैसे कि शून्य के पास मान, या असामान्य रूप से बड़े मान (उदाहरण के लिए औसत 10 पर अधिकतम 8000), तो **Clean & Calibration** वर्कफ़्लो की सिफारिश की जाती है। कैलिब्रेशन से पहले डेटा क्लीनिंग को प्राथमिकता देने से त्रुटियों, गायब मानों या असंगतियों को हटाया जा सकता है, जिससे डेटा की गुणवत्ता और सटीकता बेहतर होती है। {% endhint %} {% hint style="warning" %} **फ़्लो चुनें: प्रारंभिक त्रुटियों के बिना डेटा के लिए संकेत** उन datasets के लिए जो प्रारंभ में त्रुटि-रहित, गायब मानों या असंगतियों से मुक्त हों, और जब ज्ञात हो कि कई हार्वेस्टर शामिल थे, तो विचार करें **Calibration & Clean** वर्कफ़्लो। कैलिब्रेशन के बाद डेटा की सफाई करने से कैलिब्रेशन के दौरान उत्पन्न किसी भी आर्टिफैक्ट को हटाकर dataset को और परिष्कृत करने में मदद मिलती है। {% endhint %} {% hint style="warning" %} **क्लीन फ्लो: असामान्य मानों के लिए संकेत जो कभी-कभी यील्ड डेटासेट्स में अंतर्निहित होते हैं।** यदि कोई **attribute** कैलिब्रेशन या क्लीनिंग के लिए चुना गया प्रमुख रूप से शामिल करता है **ज्यादातर ज्योमेट्रीज़ में शून्य मान**, तो ये ज्योमेट्रीज़ अंतिम यील्ड डेटासेट से बाहर कर दी जाएँगी। इंटीग्रिटी सुनिश्चित करने के लिए, ऐसे विसंगतियों वाले एट्रिब्यूट्स को क्लीन किए जाने वाले एट्रिब्यूट्स की सूची से बाहर रखा जाना चाहिए (2)। {% endhint %} {% hint style="warning" %} **कैलिब्रेट फ्लो: असामान्य मानों के लिए संकेत जो कभी-कभी यील्ड डेटासेट्स में अंतर्निहित होते हैं।** यदि कोई **attribute** कैलिब्रेशन या क्लीनिंग के लिए चुना गया **प्रमुख रूप से** **ज्यादातर ज्योमेट्रीज़ में शून्य मान शामिल करता है**, तो ये ज्योमेट्रीज़ अंतिम यील्ड डेटासेट से बाहर कर दी जाएँगी। इंटीग्रिटी सुनिश्चित करने के लिए, ऐसे विसंगतियों वाले एट्रिब्यूट्स को कैलिब्रेट किए जाने वाले एट्रिब्यूट्स की सूची से बाहर रखा जाना चाहिए (3)। {% endhint %} {% @arcade/embed url="" flowId="i8Q6uC04nIVjJLLOYELJ" %} ## एल्गोरिदम वर्ज़न पोस्ट-प्रोसेसिंग के बाद, परिणाम मूल डेटासेट के बगल में दिखाए जाते हैं। उन्हें चिह्नित किया जाता है **"Calibrate"** और/या **"Clean"** लेबल के साथ, साथ ही एल्गोरिदम वर्ज़न।

Calibrate & Clean निष्पादन का परिणाम (वर्ज़न 2)

{% hint style="info" %} से `वर्ज़न 3.0` Clean/Calibrate एल्गोरिदम के इस वर्ज़न से आगे, GeoPard फ़ील्ड बाउंड्री द्वारा क्रॉपिंग फ़ीचर पेश करता है। यह केवल फ़ील्ड बाउंड्री के भीतर की ज्योमेट्रीज़ रखता है और सांख्यिकीय वितरण में सुधार करता है। {% endhint %}

Auto-Processing निष्पादन का परिणाम (वर्ज़न 3.0)

{% hint style="info" %} शुरू करते हुए `वर्ज़न 4.0`, Clean/Calibrate एल्गोरिदम अब GeoPard में किसी भी एट्रिब्यूट के पार औसत या कुल मानों के आधार पर कैलिब्रेशन फीचर को शामिल करता है। इस सुधार का एक सामान्य उपयोग वेटमास का कैलिब्रेशन है, जिसे अब किसी विशिष्ट फ़ील्ड के ज्ञात मापे हुए औसत यील्ड द्वारा समायोजित किया जा सकता है। {% endhint %}

औसत यील्ड 6 t/ha का उपयोग करते हुए कैलिब्रेशन निष्पादन का परिणाम (वर्ज़न 4.0)

{% hint style="info" %} से `वर्ज़न 5.0` Clean/Calibrate एल्गोरिदम के इस वर्ज़न से आगे, GeoPard यील्ड के लिए USDA (यूनाइटेड स्टेट्स डिपार्टमेंट ऑफ़ एग्रीकल्चर) क्लीनिंग प्रोटोकॉल पेश करता है। USDA औपचारिक कृषि डेटा मानक प्रदान करता है जो यह नियंत्रित करते हैं कि यील्ड, मॉइस्चर, फ्लो और स्थानिक मापों को कैसे सामान्यीकृत, मान्य और सांख्यिकीय रूप से फ़िल्टर किया जाता है ताकि मशीन- और फ़ील्ड-समरूप कृषि डेटासेट्स उत्पन्न हों। {% endhint %}

USDA प्रोटोकॉल का उपयोग करके क्लीनिंग निष्पादन का परिणाम (वर्ज़न 5.0)